AI 时代，MOM（制造运营管理系统）该如何演进？
------ 从零设计一套适配多品类产线的通用 MOM 架构
04 ** 架构全景（六层 + 两横切）**
一句话架构观：底下是统一数据底座，中间是工艺无关、可被业务自己编排的流程内核，上面是随时可插拔、可降级、可审计的 AI 能力层；对外用一套元模型同时承载多品类产线。
|---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| L5 交互与入口层 工位屏/工业平板 · Web工作台 · 驾驶舱 · Copilot · 开放API L4 AI 与智能层 模型工厂 · Agent编排 · 领域知识库 · 仿真沙箱 · 决策护栏 L3 流程编排层 流程 · 规则引擎 · 可视化编排 · 版本/灰度 · 模板继承 L2 领域能力层 生产/质量/库存/设备/能源/人员 · 可插拔能力包(元模型+服务+UI+模型插槽) L1 统一数据底座 语义模型 · 时序/关系/图/对象存储 · 数据治理 · 指标中心 L0 边缘接入层 边缘推理 · 断网续传 ────────────────────────────────────────────────────────────── 横切A 集成与事件总线(售后) 横切B 平台治理(多租户/权限/可观测/合规) |
|-------|---------------------------------|-------------------------------------------------------------------------------------|-------------------------------------------------------------|
| 层 | 名称 | 职责 | 关键组成 |
| L5 | 交互与入口层 | 同一套能力，按角色分发不同形态的入口；Copilot 作为统一的自然语言入口。 | 工位屏 / 工业平板、工程师 Web 工作台、管理驾驶舱、Copilot 对话入口、开放 API |
| L4 | AI 与智能层 (AI Core) | 模型工厂 + Agent 编排 + 领域知识库 + 仿真沙箱 + 护栏。这一层不直接产生业务数据，而是被 L2/L3 调用------这是「内嵌」与「外挂」的分水岭。 | 模型工厂、样本与特征管理、领域 RAG 知识库、数字孪生沙箱、决策护栏与审计 |
| L3 | 流程编排层 | 工艺流、检验流、异常处理流统一用描述，可视化编排，支持版本、灰度与多产线模板继承。 | 规则引擎、可视化编排器、版本与灰度、模板继承 |
| L2 | 领域能力层 (可插拔能力包) | 每个能力包 = 元模型定义 + 服务 + UI Schema + 模型插槽。可独立升级、可按厂按需启用。 | 生产执行、质量管理、库存物流、设备管理、能源管理、人员与资质、指标与报表 |
| L1 | 统一数据底座 (Industrial Data Fabric) | 以对象模型为骨架扩展的统一语义模型，多模态存储 + 数据治理。这是全平台的地基，也是工业 AI 的。 | 统一语义对象模型、时序库、关系库、图数据库（谱系 / 知识图谱）、对象存储（图像 / 波形）、数据质量与血缘、指标中心 |
| L0 | 边缘接入层 (Edge Connect) | 多协议适配与设备抽象，把千差万别的设备归一为同一种描述；边缘侧承担实时推理与断网续传。 | 私有协议、边缘推理、断网续传 |
| 横切 A | 集成与事件总线 | 售后系统。API + 事件驱动，不写死点对点接口，避免新烟囱。 | --- |
| 横切 B | 平台治理 | 多工厂多租户 · 权限与数据隔离 · 可观测 · 安全合规（含电子签名 / 留痕策略）· 发布与灰度。 | --- |
|------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 架构上最容易被做错的一点 很多团队把 AI 做成 L2 旁边的一个并列模块（「AI 中心」菜单）。 让 AI 变成被 L2 能力包和 L3 流程调用的一个决策插槽：质检环节的判定可以走规则，也可以走模型；排产可以走启发式，也可以走强化学习。插槽化之后，模型可替换、可降级、可灰度，这才是 AI 原生。 |
▌ 4.1 ** 元模型：内核只定义 8 类对象 + 3 类关系**
这是「工艺无关内核」的全部秘密------它不定义任何具体业务，只定义制造世界的最小公约数：
|--------|------------------------------------------------------------------------------------------------------------------------------------------------|
| 类别 | 内容 |
| 8 类对象 | 产品/物料（Material）· 工艺/工序（Operation）· 资源/设备（Resource）· 工单（Work Order）· 批次/序列号（Lot / SN）· 参数（Parameter）· 检验/缺陷（Inspection / Defect）· 人员（Personnel） |
| 3 类关系 | 谱系（Genealogy）：用了什么料、过哪台设备、谁做的、当时什么参数 · 组成（结构）· 版本与生效性（Version / Effectivity） |
于是「消费电子装配」和「汽车焊装」在系统眼里是同一件事：一串工序，每个工序挂若干参数采集项、检验项和防错规则，产出带唯一标识的产品并记录谱系。差别只在「挂什么」，而「挂什么」是配置数据。
▌ 4.2 ** 数据底座的四件必须做对的事**
- ① 采集归一：设备抽象模型 + 驱动市场。 把不同厂商设备统一抽象为「属性 / 指标 / 事件 / 告警」四元组。协议适配做成：新增一台设备只写驱动，不改平台。这条做不好，每次导入新设备都是一次项目。
- ② 时间戳对齐（最容易被忽略、最致命）。 设备数据是毫秒级、工艺是秒级、工单是分钟级。必须统一对齐到「工序 × 产品实例」粒度，否则「参数---良率」的关联分析从根上就是错的，后面所有模型都是垃圾进垃圾出。
- ③ 数据分级与可信度标注。 自动采集 = 一级（可信）· 人工录入 = 二级（需校验）· 推算补全 = 三级（标注来源）。分析时按可信度加权，让「数据脏」这件事显式可见，而不是悄悄污染结论。
- ④ 指标口径强管控（多产线对标的地基）。 良率（直通率 / 一次通过率 / 最终良率）、的定义写死在指标中心，产线只引用不许自造。这是企业层面横向对标、复制最佳实践的前提，也是我认为最该「专制」的一件事。
05 ** 关键设计：多产线适配机制**
一套系统要能适配多品类产线（消费电子、汽车、智能硬件等）的正解：内核只定义抽象对象，差异落在配置层。解法由两部分组成------四层可配置能力负责「能改」，模板继承树负责「改了还能管」。
▌ 5.1 ** 四层可配置能力：让需求不写代码**
|--------|---------------|----------------------------------------------------------------------|----------|
| 层级 | 解决什么 | 机制 | 谁来做 |
| 字段级 | 加参数、加检验项、加缺陷码 | 自定义字段 + 参数字典 + 检验项/缺陷码库，不需要发版 | 工艺工程师 |
| 界面级 | 工位屏显示什么、点几步 | UI Schema 驱动渲染：装配工位的「扫---拧---测」与焊装工位的「上件---焊接---检查」是不同 Schema 共用同一引擎 | 工艺 + IT |
| 流程级 | 工序顺序、异常分支、换型 | 流程编排，支持条件分支、并行、超时、人工节点。换型 = 切换流程版本 | 工艺工程师 |
| 逻辑级 | 特殊算法、专用接口 | 规则引擎（主流）+ 脚本沙箱（限资源限权限）+ 插件包（独立部署、独立升级） | IT / 供应商 |
▌ 5.2 ** 模板继承树：让差异「可看、可管、可升级」**
|----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 集团基线模板 ← 强管控: 指标口径 / 追溯规则 / 缺陷分级 / 审计与留痕策略 └ 品类模板 ← 消费电子装配 / 汽车焊装 / 汽车总装 / 注塑·压铸 / 整机测试包装 └ 工厂模板 ← 手机工厂 / 汽车工厂 / 海外工厂 └ 产线实例 ← X线 Y工段 三条硬规则： 1. 下层只能「覆盖(override)」上层，不能删除上层字段 ── 保证向上兼容 2. 基线升级时，下层覆盖项自动保留(upgrade-safe) ── 保证升级不返工 3. 系统提供「差异视图」：一眼看到这条线跟标准差在哪、为什么差 |
|------------------------------------------------------------------------------------------------------------------------------------------------|
| 一条现实约束 不是所有差异都该被消灭：工艺差异要保留------那是制造竞争力； 数据与指标口径必须统一------那是对标与复制的前提。 所以模板继承的设计原则总结为：指标口径强管控 + 工艺参数弱管控。 一刀切地追求「所有产线一模一样」，既做不到，也会把好的工艺经验抹平。 |
▌ 5.3 ** 三类角色的交互设计**
|--------------------|-------------------|-----------------------------------------------------------------|
| 角色 | 入口形态 | 设计原则 / AI 在这里的价值 |
| 一线操作工 | 工位屏 / 工业平板 / 安灯 | 三步内完成、大按钮、扫码优先、语音辅助、异常一键上报。AI 的价值是防错与引导，不是聊天------他的手在干活 |
| 工程师 （工艺 / 质量 / 设备） | Web 工作台 + Copilot | 自然语言查数（「昨天 A 线 段良率为何低于周均值」）、拖拽分析、AI 给根因假设并附证据链。低代码工具交给他们自己配流程 |
| 管理者 | 驾驶舱 / 移动端 | 指标层层下钻、异常主动推送而非人去找、周报月报自动生成 |
| 统一入口 | 一个 Copilot | 对工长、工艺工程师、厂长的回答权限与深度不同------同一个问题，工长得到「现在该做什么」，厂长得到「影响多少台、多少成本」 |
06 ** 关键设计：AI 内核与护栏**
▌ 6.1 ** 模型工厂：不追求「一个模型打天下」**
工业场景的现实是：同一类缺陷在两条产线上的表现可能完全不同。所以采用「平台 + 每产线/每工位模型实例」的模式，统一的是工程链路，不是模型本身。
- 统一工程链路： 样本管理（含难例挖掘与主动学习）→ 特征工程 → 训练/微调（LoRA 等低成本方式）→ 评估（离线指标 + 线上 A/B）→ 发布（灰度 + 影子模式）→ 监控（漂移检测、准确率衰减告警）。
- 三层模型结构： 通用多模态底座（理解文档/图像/对话）→ 制造领域模型（懂工艺语言与设备机理）→ 场景小模型（缺陷分类、寿命预测，边缘部署、毫秒级推理）。
- 成本原则： 实时、高频、简单的判断一律用边缘小模型；只有低频、复杂、需要跨域推理的任务才上大模型。算力预算要花在刀刃上------一个大模型常驻推理，收益往往不如十个跑在边缘的小模型。
▌ 6.2 ** Agent 编排：不是单个机器人，而是一组分工的「数字班组」**
每个 Agent = 目标 + 工具集（调用的业务 API）+ 记忆（历史决策与人工反馈）+ 护栏（动作白名单、阈值、需人工确认清单）。
|---------------|-----------------------------------------|------------------|
| Agent | 职责 | 调用的典型工具 |
| 排产 Agent | 多品种小批量排程，异常时（换型、缺料、停机）快速重排 | 工单 API、产能模型、齐套查询 |
| 质量 Agent | 跨域归因：参数 / 物料 / 设备 / 人员 / 环境，输出带证据链的根因假设 | 图谱查询、谱系追溯 |
| 设备健康 Agent | 健康度预测、维修工单生成、备件与排程联动 | 时序库、振动分析、备件库存 |
| 工艺调优 Agent | 在可行域内推荐参数组合，闭环微调 | 参数字典、良率反馈、仿真沙箱 |
| 物料齐套 Agent | 齐套风险预警、配送触发、调度 | 线边库、调度 |
| 知识 / 培训 Agent | 设备手册、维修经验问答；新人引导 | 领域 RAG、工单历史、图纸库 |
|------------------------------------------------------------------------------------------------------|
| 关键工程约定 Agent 的每个动作都必须落在可执行的业务 API 上，并且每个动作都有对应的「逆操作」（回滚）。没有逆操作的动作，一律不允许自动执行------这条约束会在关键时刻救你一次。 |
▌ 6.3 ** 护栏与可信：工业 AI 落地的第一工程问题**
工厂场景里，AI 一旦「自信地犯错」，代价是质量事故或安全事故。护栏不是可选项，是前提。
|-----------------------|-----------------------------------------------------------------------------|
| 机制 | 说明 |
| ① 影子模式先行（Shadow Mode） | AI 只出建议，与人工并行运行一段时间，用真实数据证明「不比人差」之后才谈放量。这一步不能省。 |
| ② 分级授权 | 建议（只提示）→ 半自动（阈值内自动执行、越界转人工）→ 全自动（仅限低风险 / 高频 / 可逆动作：参数微调、工单派发、补料触发）。 |
| ③ 双重下限（模型可以大胆，边界必须保守） | 任何 AI 输出都要先过两道硬约束：物理/工艺可行域（参数不能超出设备与工艺能力）与质量红线（不能越过安全与合规边界）。这两道是规则实现、不可学习的。 |
| ④ 全链路审计 | 谁的模型、什么版本、基于什么数据、给出什么建议、谁确认或执行、结果如何------全部留痕、可复现。这既是与功能安全的要求，也是组织建立信任的前提。 |
| ⑤ 一键回滚与自动降级 | 模型服务挂了、漂移超阈值、准确率衰减------秒级自动退回规则引擎，产线不停。可用性上，AI 永远不能成为单点故障。 |
07 ** 对照验证：同一套系统怎么同时跑消费电子装配线和汽车焊装线**
这是检验「通用设计」是否真的通用最直接的方式。下表逐项列出两条差异极大的产线，以及差异在系统里的承载位置：
|--------|------------------------|----------------------------|-----------------------------|
| 维度 | 消费电子装配线 | 汽车焊装线 | 系统里的承载方式 |
| 产品标识 | （单件级） | 车身 ID（分总成 + 整车） | 元模型 + 谱系，粒度可配 |
| 节拍 | 秒级（10--30s） | 分钟级（60--120s） | 节拍模型参数，影响采集频率与边缘缓存策略 |
| 追溯深度 | 单件全要素（料、设备、参数、人） | 车身 + 关键件（焊接参数、扭矩、电池包） | 谱系配置：记录哪些节点、保留多久 |
| 关键参数 | 扭矩、点胶量/压力、气密值、射频/音频测试值 | 焊接电流/电压/压力/时间、涂胶、夹具定位精度 | 参数字典 + 采集驱动（配置化） |
| 检验方式 | 视觉 + 功能测试 + 人工目检 | 视觉（焊点、间隙面差）+ 三坐标抽检 + 破坏性试验 | 检验项 + 检验流 + 视觉模型插槽 |
| 设备集成 | 拧紧枪、点胶机、贴标机、测试仪器 | 机器人、焊机、输送线、夹具 | 设备抽象模型 + 协议驱动（私有） |
| 防错重点 | 物料防错（错料混料）、漏工序、参数越界 | 焊接质量、漏焊错焊、夹具状态、安全联锁 | 规则引擎 + 硬联锁（安全类一律下沉，永不交给 AI） |
| 合规要求 | 一般 | 功能安全、关键件强追溯与留痕 | 合规包可插拔（审计、电子签名、留痕策略） |
| 换型频率 | 高（多机型共线） | 低---中（车型导入） | 流程版本 + 模板 + 换型清单 |
|-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 结论 内核对象模型、流程引擎、数据底座、AI 能力层共用；差异落在配置数据、设备驱动、模型插槽和合规包里。带来的直接变化：新增一条产线的工作，从「开发一个系统」变成「配置一条产线 + 接入若干设备驱动 + 训练若干模型」。这正是「一套系统适配多种生产线」想要的答案------而消费电子 / 汽车 / 智能硬件三类产线共用同一内核，还额外带来一个副产品：企业层面第一次有了可横向对标的制造数据。 |